一种图像的同步去噪增强方法
技术领域
本发明属于图像处理方法。
背景技术
总的说来,图像去噪方面,分为宏观滤波(经典滤波)及微观滤波(微分方程)。宏观滤波方面有如基于小波域的去噪方法[1][2]。这类方法的优点是通过高通滤波,可以方便的将噪声与图像分离,缺点是不适用于含有大量弱边缘的图像。一种补救的策略是通过高频信号进行恢复,但由于这种方法的复杂性很高,使其在应用中得到了限制。
微观滤波是基于微分方程的,如P-M模型[3]等。这类算法通过曲线能量及浓度扩散方程的迭代,完成图像的平滑。可以说宏观滤波是微观的滤波的特例,如中值滤波与方向扩散的关系。图像增强方面,经典的宏观方法包括HE(直方图均衡化)[4]、AHE(自适应直方图均衡化)[5]等。1990年Caselles V等提出基于微分方程的直方图均衡化方法[6],从而将图像的增强带入微观领域。
对于去噪与增强的问题,通常的作法是先去除噪声、后增强图像,或者先增强图像、后去除噪声。然而由于去噪与增强矛盾性的存在,导致大多算法都不能很好地解决这一问题:先去除噪声通常会降低图像边缘的清晰度,为了保证图像弱边缘质量降低去噪处理效果,又会在增强步骤中出现噪声被放大等问题,而先使用增强算法往往会先放大噪声,为去噪处理带来障碍。对彩色图像的去噪与增强处理通常采用相应模型对图像的红、绿、蓝(red、green、bule,RGB)三个色彩分量独立地处理,之后再合成最终结果,而这样的处理方法往往不能很好地保护色彩信息,导致图像的失真。
参考文献:
[ 1 ] TANG B, SAPIRO G, CASELLES V. Color image enhancement via chromaticity diffusion[J]. IEEE Transaction Image Process, 2001, 10(5):701 – 707.
[ 2 ] Wang Wei, Wu Xiu-qing, Cheng Lei,et al. Image denoising based on stationary wavelet-based anisotropic diffusion[J]. Computer Engineering and Applications,2010,46(4):180-182.
[ 3 ] Perona P, Malik J. Scale space and edge detection using anisotropic diffusion.IEEE PAMI,1990,12:629~639.
[ 4 ] Richard E,et al.Digital image processing using matlab[M]. Publishing house of electronics industry.2004:50-51.
[ 5 ] PIZER S. Adaptive histogram equalization and its variations[J]. Computer vision,graphics and Image processing,1987,39(3):355-368.
[ 6 ] Caselles V et val. Shape-preserving local contrast enhancement. IEEE IP,1999,8:220~230。
发明内容
PM彩色图像的微分模型
可将彩色图像看做3维矢量图像 I (x,y)。根据黎曼几何观点[8],可将其看做Euclidean空间中的一个以(x,y)为参数的超曲面。设d I 为曲面 I (x,y)上的一个给定方向的弧长微元,表达式如下:
其中
则矩阵A的特征值为:
可以得到:
(8)
如图1所示,
值得变化与
和
相关,图像
沿
方向变化最快,变化率为
,沿
方向变化最慢,变化率为
。因此可将
作为彩色图像的变化率,当
只有一个分量时,
,
,
,则有:
可见,
即成为归一化梯度矢量,
为切矢量。因此给出彩色图像的PM方程通过如下变换:
(10)
如图2所示,
为归一化梯度切向矢量,
为归一化梯度切法向矢量,
为矢量图像的边缘函数,因此可将PM方程分解为两个项。前项由切矢量构成,它将使热扩散按切向进行,后项由法矢量构成并在法向上扩散,而边缘函数
起到了保护边缘的作用。
彩色图像的AHE微分模型
如式(10)中的
具有与灰度图像梯度模值相似的含义,
与灰度图像中的归一化梯度相似,
具有梯度适量相垂直的单位矢量
的含义。因此,如果能找到一幅标量图像
,它的梯度矢量
,在方向上与
本征矢
相一致,而
与函数
也处处相等,则这样的灰度图像
的水平及将于矢量图像
的水平及处处保持一致,也可称之为保持矢量图像
形状的灰度图像。Sapiro等
[9]给出了如下的泊松方程:
HE方程是从整体角度出发完成图像增强,但细节部分处理较差。文献[7]给出了AHE的微分模型:
其中
为分块编号,
是分块直方图均衡化的融合函数。通过梯度下降法求解上述方程得:
是取第
块的最大灰度值,
取第
块最小灰度值。可见当
=1时,上式将回归于经典的自适应直方图均衡化模型。结合式(10)与式(11),给出的色彩与形状保真的彩色图像增强方法如图3所示。令上述图像的增强方法为
,得到如式(14)的处理函数,用于彩色图像的同步去噪增强。
1.3 彩色图像的同步去噪增强方法
结合3.1节与3.2节讨论的微分模型,采用迭代方式于单位步长内进行图像的去噪与增强处理,得到如下新方程:
式(15)中的前项为3.1节讨论的彩色PM模型,后项为彩色图像的AHE微分项,使用梯度下降法对上式进行求解,得到如下的显式数值计算方程:
上式中,
为窗口数,设图像大小为
,窗口大小为3*3,并采用重叠式窗口移动方法,则
取值为
。为了增强算法的灵活性,引入三个调节参数改进方程,使方程的去噪与增强方面得到不同程度调节,扩展后的方程如下所示:
上式中
为切向平滑系数,
为法向平滑系数,
为增强系数。通过这三个参数的比例设置,可以较为灵活地调节图像的去噪增强效果。由图2可知,法向扩散将使图像边缘沿着法方向扩散,从而导致弱边缘被模糊化,因此将去掉
项得到下述方程:
式(18)中的
项由PM方程推倒而来,因此该项收敛。
项由微分AHE模型推倒获得,可以保证该项的收敛性,而加法不对收敛性产生影响,因此式(18)是收敛的。平滑系数
与增强系数
用于调节去噪与增强的比例,实际应用中可根据需求调节两个比例系数,当噪声较强时增加
的取值,需提高对比度时增加
的取值。式(19)中的
为一阶偏导差分项,通常采用中心差分,
为二阶偏导差分项。
方法执行流程
令
为输入影像,
为输出结果,
为迭代次数,步长为
,切向平滑系数为
,增强比例系数为
,算法流程如图4所示。
对于灰度图像的处理与彩色图像相比更为简单,不需要统一三维矢量的方向变化,只需要在步骤(2)中对输入影像进行自适应直方图均衡化即可,之后的处理步骤与处理彩色图像的方法一致。
附图说明
图3 彩色图像的AHE处理流程。
图4图像的同步去噪增强方法流程。
图5实验结果对比。
图6直方图对比。
图7实验结果对比。
图8直方图对比。
图9实验结果对比。
图10实验结果对比。
图11直方图结果对比。
图12实验结果对比。
图13直方图对比。
具体实施方案
步骤1:令
为输入影像,
为输出结果,
为迭代次数,步长为
,切向平滑系数为
,增强比例系数为
,算法流程如下:
对于灰度图像的处理与彩色图像相比更为简单,不需要统一三维矢量的方向变化,只需要在步骤(2)中对输入影像进行自适应直方图均衡化即可,之后的处理步骤与处理彩色图像的方法一致。
步骤2:根据步骤1所述步骤(2)中的
的计算方法,其特征在于,
是这样计算得到的:
可将彩色图像看做3维矢量图像 I (x,y)。根据黎曼几何观点,可将其看做Euclidean空间中的一个以(x,y)为参数的超曲面。设d I 为曲面 I (x,y)上的一个给定方向的弧长微元,表达式如下:
其中
则矩阵A的特征值为:
可以得到:
如图1所示,
值得变化与
和
相关,图像
沿
方向变化最快,变化率为,沿
方向变化最慢,变化率为
。因此可将作为彩色图像的变化率,当
只有一个分量时,
,
,
,则有:
可见,即成为归一化梯度矢量,
为切矢量。因此给出彩色图像的PM方程通过如下变换:
如图2所示,
为归一化梯度切向矢量,
为归一化梯度切法向矢量,
为矢量图像的边缘函数,因此可将PM方程分解为两个项。前项由切矢量构成,它将使热扩散按切向进行,后项由法矢量构成并在法向上扩散,而边缘函数
起到了保护边缘的作用。
如式(10)中的
具有与灰度图像梯度模值相似的含义,
与灰度图像中的归一化梯度相似,
具有梯度适量相垂直的单位矢量
的含义。因此,如果能找到一幅标量图像
,它的梯度矢量
,在方向上与
本征矢
相一致,而
与函数
也处处相等,则这样的灰度图像
的水平及将于矢量图像
的水平及处处保持一致,也可称之为保持矢量图像
形状的灰度图像。Sapiro等给出了如下的泊松方程:
HE方程是从整体角度出发完成图像增强,但细节部分处理较差,给出了AHE的微分模型:
其中
为分块编号,
是分块直方图均衡化的融合函数。通过梯度下降法求解上述方程得:
是取第
块的最大灰度值,
取第
块最小灰度值。可见当
=1时,上式将回归于经典的自适应直方图均衡化模型。结合式(10)与式(11),给出的色彩与形状保真的彩色图像增强方法如图3所示。令上述图像的增强方法为
,得到如式(14)的处理函数,用于彩色图像的同步去噪增强。
步骤3:根据权利要求1所述步骤(7)中的的计算方法,其特征在于,将AHE与PM模型的偏微分方程的融合方式是这样计算得到的:
结合权利要求2中讨论的微分模型,采用迭代方式于单位步长内进行图像的去噪与增强处理,得到如下新方程:
式(15)中的前项为3.1节讨论的彩色PM模型,后项为彩色图像的AHE微分项,使用梯度下降法对上式进行求解,得到如下的显式数值计算方程:
(16)
上式中,为窗口数,设图像大小为
,窗口大小为3*3,并采用重叠式窗口移动方法,则
取值为
。为了增强算法的灵活性,引入三个调节参数改进方程,使方程的去噪与增强方面得到不同程度调节,扩展后的方程如下所示:
上式中
为切向平滑系数,
为法向平滑系数,
为增强系数。通过这三个参数的比例设置,可以较为灵活地调节图像的去噪增强效果。由图2可知,法向扩散将使图像边缘沿着法方向扩散,从而导致弱边缘被模糊化,因此将去掉
项得到下述方程:
式(18)中的
项由PM方程推倒而来,因此该项收敛。
项由微分AHE模型推倒获得,可以保证该项的收敛性,而加法不对收敛性产生影响,因此式(18)是收敛的。平滑系数
与增强系数
用于调节去噪与增强的比例,实际应用中可根据需求调节两个比例系数,当噪声较强时增加
的取值,需提高对比度时增加
的取值。式(19)中的
为一阶偏导差分项,通常采用中心差分,
为二阶偏导差分项。
实验结果说明
1 彩色图像的同步去噪增强
选用三种不同类型的彩色图像,大小均为256*256。分别对每种图像加入%20的椒盐噪声,作为实验数据。对于三幅影像,均取
,
,
。令第一幅影像迭代次数
,第二幅影像迭代次数
,第三幅影像迭代次数
。
图5(a)-(f)是一组建筑图像的处理结果对比。图5(c)为去噪后增强的的实验结果,当噪声去除得不够彻底时,增强算法会将其放大,导致处理结果不理想。如果为了彻底去除噪声,将PM的迭代次数增加,又会导致图像的细节及弱边缘滤掉。图5(d)为先增强后去噪的处理结果。可见,噪声在增强的过程中被放大,去噪后的图像受到了放大噪声的影响。图5(e)为经典PM算法的处理结果,图f为本文算法的处理结果。与图5(c)-(d)相比,图5(f)在去噪与增强两方面的处理结果更好,而且图像边缘光滑自然。图5(a)为原始图像的灰度直方图,图5(b)是经本文算法处理后图像的灰度直方图(彩色图像转换后的灰度图像),可见与原图像相比,经处理后的图像在灰度分布上更为均匀。图7与图9为另一组实验结果对比。
实验采用CUP主频为3.2GHz,内存2G的机器进行测试。表1给出了3组实验的算法处理时间对比,所选用的图像的大小均为为256*256,可见本文算法耗时仅比改进前的算法多近6秒的时间,对于单幅图像的处理时间相差不多。
表1 实验耗时
Tab.1 Experiment of time consuming
2 灰度图像的同步去噪增强
实验选用两张大小为512*512的含有噪声的脑MRI影像。一张为包含脑室部分的大脑影像,一张为脑顶部影像。对于第一幅影像,实验参数选用
,
(迭代次数),
,
。第二幅影像的实验参数选用
,
(迭代次数),
,
。
图10(b)-(e)为一组迭代次数为100的效果对比。在先去噪后增强的的算法中,如果噪声去除的不彻底,会导致后期在增强算法中被放大,如图10(b)所示。如果将PM的迭代次大幅增加,又会导致图像的弱边缘被平滑掉,影响影像处理精度。图10(c)给出了先增强,后去噪的处理效果。可以看到,噪声在增强的过程中被放大,平滑后的影像受到了放大噪声的叠加。图10(d)为经典的P-M平滑算法效果。与图10(b)-(d)相比,图10(e)的PM-AHE算法不仅可以使影像的边缘保持平滑,而且去噪,增强效果明显自然。图10(a)与图10(b)分别为原始影像的灰度直方图及PM-AHE的灰度直方图,可以明显看到,改进后的算法使得灰度分布更为均匀。图10及图12为另一组实验效果对比。